机器学习辅助的临床组织中中红外光谱化学纤维状原蛋白成像
Wihan Adi1, Bryan E Rubio Perez2, Yuming Liu3
1University of Wisconsin-Madison, Department of Biomedical Engineering, Madison, Wisconsin, United States.
Journal of biomedical optics
|October 4, 2024
概括
这项研究引入了一种新的无标签成像技术,该技术结合了中红外光谱成像 (MIRSI) 和第二子 (SHG) 显微镜. 这种方法可以准确地识别组织中的纤维状原蛋白,帮助瘤微环境分析.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 计算病理学计算病理学
- 频谱学是一种光谱学.
背景情况:
- 无标签的多式成像对于分析复杂的生物组织,特别是瘤微环境至关重要.
- 纤维状原蛋白结构的变化与癌症的进展有关,需要先进的成像技术.
- 目前的方法缺乏综合分析原蛋白所需的结构和化学信息.
研究的目的:
- 开发和演示用于识别纤维状原蛋白的多式计算成像方法.
- 将中红外光谱成像 (MIRSI) 与第二子 (SHG) 显微镜集成,用于无标签的原检测.
- 利用机器学习来根据高光谱图像中的化学特征对原蛋白进行分类.
主要方法:
- 一个受监督的机器学习 (ML) 模型被训练使用SHG图像作为原蛋白的基础真理.
- 该ML模型根据MIRSI高光谱数据对人类胰腺组织样本中的纤维状原蛋白进行了分类.
- 一个随机森林 (RF) 模型在2800万个MIRSI光谱上进行了训练,并在6800万个光谱上进行了验证.
主要成果:
- 开发的RF-MIRSI模型在原细分 (0.8边界F-score) 中实现了高精度.
- 与SHG相比,原蛋白定向 (皮尔森r=0.82) 和对齐 (皮尔森r=0.66) 的相关性显著高.
- 该方法在量化原蛋白分布,方向和对齐方面表现出强大的性能.
结论:
- 机器学习辅助的无标签MIRSI显示了分析纤维状原蛋白的巨大潜力.
- 这种技术可以增强在病理学样本中的瘤微环境的研究.
- 多式联络方法为无标签组织分析提供了一个强大的工具.
